Descarga la aplicación para disfrutar aún más
Vista previa del material en texto
Segundo Corte 12-04-2023 III . VECTORES ALEATORIOS 21 E Un vector aleatorio es una colección de variables aleatoras LXi,X2... Xn) que LLI se observan conjuntamente , es decir, ex X simultáneamente . También se puede definir como una -estoresaleatorios mixtos : Cuando X función que transforma cada elemento es una variable aleatoria discreta y y del espacio muestral & en una netupla es ma variable aleatoria continua. En de números reales . este caso, x , y es un conjunto de rectas Un vector aleatorio bi-dimensional es verticales . una pareja ordenada de variables aleatorias Y X, e) , las cuales tienen un recorrido conjunto ,y y una distribución de Ly X es discreta Probabilidad conjunta . y es continua e · Y E ex X ↑ 1 & => W (X(W) , Y (W) O O e do Vectores Aleatorios Discretos & O -> I La distribución de probabilidad de un O X rector aleatorio discreto (X ,y se conoce O O S · 0 como "función de probabilidad conjunta" & O (m), se simboliza con PX ,Y (,) y se define como: Según la naturaleza de las varables X y X, ==Y = ) , CER Y , los vectores aleatorios bidimensionales se puedenclasificar en : Dicha pmf satisface 2 condiciones : -toresaleatorios discretos : Cuando X ↓ PXY(,10 , L ,Y E yY son variables aleatorias discretas . En este caso, RX , y es un conjunto II) x y PX , y(, y) = 1 numerable de puntos en el plano. Y PX ,y(x,y)· 0 O O 8 o ⑳ E 1) "En 3D" ↑ 1 I 1 A1. 0 X I Y & - Vectores aleatorios continuos : Cuando X ----- Y 0. 2 y y son variables aleatorias continuas. En e "Todos los puntos este caso, ex,y es una región densa del O ⑧ E 0 . 03 Suman una plano . · 0. Probab. de 1 Y Tenemos entonces : 0 08 0 O A Y O Forma de S La suma de la probabilidad & representación S PX , Y(, Y) de cada punto debe dar & en tabla" · 2/72 en total r. - ↑ 16/72 ⑧ · 12/72 - O O ↑ f& La probabilidad de un evento arbitrario 12/7224172 6/72 x A relacionado con las varrables aleatorias X y Y se calcula como: as¿Cual es la probabilidad de que el número de caneas azules supere al número de Pr(A) = SEA PX, L , es canicas rojas? Pr(X >Y) = Pr(Y <X) Ejemplo : Una una contiene 3 canicas I azules, 2 rojas y 4 blancas. Se Para este caso serían extraen 2 canicas al azar sin = x los puntos por debajo sustitución. Determinar la Función/ de X sin melver a de probabilidad conjunta del rector los que pasan por la aleatorio (X, ), donde X X recta . representa el número de canicas azules presentes en la elección y PrLX) : 24 30 = 5 I Y representa el número de canicas 72 12 rojas presentes en la elección. b) ¿Cual es la probabilidad deque el número X = "número de canreas azules" de canicas azules coincida con el número Y = "número de canicas rojas" de canicas rojas? A : "Canica -ésima azul" Si = 1 ,2 Pr(X =y) = 12+ 12 =24 = t Bi = "Canca i ésima blanca" 72 72 Y Ri : "Cantea ésima roja" - . Y = X - * CX, Y) & ⑧ A2 : 218 - 6/72 1 G 0 I ↑ ↑ - R2 : 218 --* 6/72 i 3 , i & Al B2 : 418 -12/721 J 2) ¿Cuál es la probabilidad de que el 319 Az : 318 --↑ 6/72 (1 I número de canicas azules sea menor o S · 219 R1 Go 2R:18 -o I Igual al doble de caneas rojas? . 4/9 BI 2 :368-lee i , O Y PrLXE2) = Pr (292X) = Pr(yE) 8 I S - I B2 : 318 --12172 O J Pr(B2/Bi) S / li = 1- 24 = E 2 - & X d) ¿si nohay canicas azules en la = 24/72 = 24 = 6 extracción, cuál es la probabilidad de (16+ 12 +24)/72 52 13 que haya al menos una roja? 7) ¿Cuál es la probabilidad de que el Pr(y21/X =0) = Pr (211X = 0 ) máximo entre el número decanicas azules Pr(X = 0) y el número decanicas rojas sea menor o Igual a1 ? Y Numerador Pr(máx(X , y) El) La intersección X=8 = !IIIIIy↑ - Y21 serían lospuntos Caso 1 : ↑ j f V: Secumple · 1 X X C f Y Denominador X=0 - Lo que se cumple Caso 2 : j ↑ f X : No se -O serían estos 3 puntos X f I cumple & O · ↑ ↑ ↑ X Entonces, se tiene: = 16+ 2 72 = 1 = = Pr(XEl YEl 12+ 16 + 2 38 b Y 72 - O : Zona de la es ¿ Si el número de canicas azules ⑧ O intersección - y rojas suma menos de 2 , cuál es la O ⑩ ⑳ ↑ probabilidad de que hayan más X canicas azules que rajas? = 16 + 12 + 12 +24 = 64 =Pr(XY/x +y <2) 72 =Pr(Xx+Y <2) 9) Pr(máx(X, 1) = ? Pr(X+ Y (2) = Pr(X1UY21) = Pr(y < X 1y < 2 - X) S Pr(y < 2- X) - Y - : Zona de la & - intersección O ·. ·: Punto válido · I-&l= I X f X 72 11, xxx + = 1 - 12 = 60 = Circunferencia h(Pr(x2+y El) = ? x <+Y 2 El : Es ca Y 5x ,Y(z, y) = 16+ 12+24 = 1 - · Ill 72 18 fuertee seren e X Ella igual a 1. I i) Pr(x+ = 2) : Circonferencia centrada & en el origen de radio r = E La probabilidad de un evento arbitrario A relacionado con las variables Sin hacer el gráfico podremos probar cada aleatorias X y Y sepuede calcular pareja ordenada y comprobar el resultado, Como: obtenemos entonces : Pr(A) = ((5x, (2 , 3) dydx = 12/72 L, EA 17-04-2023 Vectores Aleatorios Continuos fx , y(x,y) Pr(A) = "Volumen bajo de Sean X y y dos variables aleatorias F , Y(,) encima de la continuas con recorridos respectivos X ,Y región abarcadapor A". =x. La distribución deprobabilidad Y de (X , y) se conocecomo "función de como: (a) Adensidad conjunta de X y Y" y se define LL Este gráfica es & SXY (, 3) = LM PU -EXEER Y-DREY como tener una -Ot ESTUL E. caja cubierta por una sábana." Int] El recorrido se entiende de la forma : Y u: Unidades de X, v : Unidades de Y . = Me RXX-y Lo anterior representa la verosimilitud. - 1 I Dicha función de densidad conjunta ex X satisface 2 condiciones : Ejemplo : El precio decompra Len millones I) 5x , y(x , y)20 , (X , Y) ER de pesos) y el precio de venta en millones de pesos) de una acción en el mercado II)o05x, y(, y) by -: corresponden a dos variables aleatorias Cantinuas X y Y cuya densidad de probabilidad conjunta está dada por -0 X= "precio de compra" (en.M Y : "precio de venta" (enm) & k2xdx= 1 fx ,y(,y) = ky , (X , Y)ER E 2) = K2() = K : - 0 , (X , y R 2k = 1 + k = 32donde k es una constante real positiva. 3 y [m$] Juego : 5x ,y(x,y) = By , (x , Y)ER. 2 - I I ·I a) Cuál es la probabilidad de que el x [m$] preco de venta sea superior a 1millón de $ ? Determinar: Pr(y > 1) = ? a Los recorridos de las variables X y Y Gráficamente tenemos: ex = [0, 1] , Y = 20 , 21 S b) Calcular el valor de la constante. f ,(X,Y) = X P= N Y =j 3 ex [)fx , Y( , yLO , f(X , YE / =j 3x -8 #100fx,y (; i) by- = x3 - 24/ , n -jkyydx = I = 1 - 3 - (1 1 x = 1/4 + 218 = 1/4 + 1/4 = 112 Y Pr (y>1) = 1 = 0 . 3 X= /2 I I 2- y=X 1 - d) Cuál es la probabilidad de que el precio deventasea inferior a 1 millónde "2 l X y el precio de compra sea superior a X 300 .000? = 1. Szydk e Pr(x1X >E) = ? = 1-j 30 e · IIIII" = 1-j 3 .. : X = 103 =j' y y = Elin = = 1c -(CIR =j ax = 10 + + = /in = () - &(t) F = 1 - t + = 2 8 = 23/32 = 0 . 78125 = 8 E 7)Si al vender la acción se obtiene ganancia, ¿cuál es la probabilidad de = 318// que dicha acción se haya vendido por un precio superior al medio millón de pesos ? el Cuál es la probabilidad de que el precio de compra no sobrepase el medio Pr(y)z /y . -X0) = ? millón o que el precio de venta supere el precio de compra ? = PV(y > E/y2X) PXUX) = ? = Pr(y) E MYX Pr(Y >X) = Y 1) Cuál es la probabilidad de que la 2 - acción se compre por menos de 250mil I - y se venda pormás de 600mil? - ...1/2 , ! ' , & Y Y 2- - - x .... * = J edyk+, de e Pr(xx1 10 .6) = 0 Sydx : Evento imposible 9) Cuál es laprobabilidad de que la Cuál es la probabilidad de que la &anancia obtenida supere los 250.000 ganancia sea de 250 mil $ ? Pr(y -x >() = Pr(y) +x) Pr(y-x = E) = Pr(y = x +2) 2 - =j SE y y = y = x+ I - · Evento improbable114 - ! Y - X es una variable aleatoria continua , =j Regeen por tanto , Pr (y-x= ) =0 k) Cuál es la probabilidad deque la acción se venda en 1 millón o la ganancia hCuál es la probabilidad de que el sea inferior a 500mil? precio decompra sea de 250mil y el precio de venta sea inferior e Pr(y = 10- x < E) = ? 500mil $ ? Pr(y =1 vy < X + z) Pr(x = # 1Y < E) =? 8 Pr(y =1) + Pr(yxx + E) 2- =4 eedy = 0 - Pr(y = 1 yxx+E) & j ja 1/4 ! Evento improbable = Pr(yxx + E) = 1 -j y e Ejemplo : En un sistema de comunicación digital, el símbolo transmitido en un instante determinado es una variable aleatoria discreta X conIII recorrido binario -1, 13. Debido al ruido del canal , la señal observada X en el receptor es una variable aleatoria 24 -04-2023 continua Y con recorrido (-00 , +). Vectores Aleatorios Mixtos : La función de densidad conjunta de Sea X una variable aleatoria discreta X y y está dada por : con recorrido x y sea Y una variable aleatoria continua con recorrido Y . 5x ,y(2, y) = t jft, x = y Yo Entonces (X , y) es un rector aleatorio Smixto con recorrido X, Y , el eval es numerable respecto a X y denso , X = 1 y -8xy respecto a Y . La distribución de probabilidad de X , ) se denomina O , 0 . W . "densidad deprobabilidad conjunta" y se define como : Donde X y y están medidas en Voltios . 5x ,y(,y) = km Pr(x= a y-E/2EY = y+E1) Determinari E+8t E as La probabilidad de queel símbolo Unidades : [] transmitido sea l . La densidad conjunta satisface 2 condiciones : (y =[ si /20 ·Yo' , si +O ifx , y(,y)10 , f(x , y) Em ii) 295x,y ( , y =:- : Igt, Y RX ,Y 5x ,y(z,Y) -↳est"= ( (st , si 32- jp - ( y- , s i E= = te (y+ 1) , sy = - 1Xhtt Eetl , siyx- La probabilidad de un evento arbitrario A relacionado con X yy está dada por: Pr(A) =2ffx, yy en e I I e - 1- 1 (5 e (1 , 321 a 1 . 5 Voltros? Pr(Y > 1 . 3) e , y < 5 e - 19- 11 I X .. .9 =I Pets y+e de C. = e - ! + eElE * · 11 = e- p - 1 . 3 + E e - 1 . 3 G 3 & Y =e -2 . 3 t p - 0.3 Pr(X= 1) = ? E 3 =I05x,y (,3) by = 0 .2158/ e ¿Cuál es la probabilidad de que la señal9 Pr(= 1= el de Observada exceda al símbolo transmitido en más de 0 . 5V? Pr(y-x >0 . 3) 1 X Pr(y > X +0 . 5) = ? =o edy+ -" dy = : -- 2 = z - (2) = 3 , - 3 b) ¿Cual es la probabilidad de que la foto a e señal observada en el receptor sea superior - Pr(1-x >0.5) =0se se e · j et by = Solt = (t ++ p 0. 3 = 0 .3032/ : es e = e -> I = 0 . 0633, e - - ( +é e + 2 e C d) Si el símbolo transmitido es -IV, cuál E es la probabilidad de que la Observación Distribuciones deProbabilidad marginales sea inferior a -IV? y Condicionales Pr(yx-1(X = - 1) Il Vectores Aleatorios Discretos Sea (X , y) un vector aleatorio discreto = Pr(Yk - 11X = 1) con puf conjunta PX ,y ( , y). Pv(X= 1) ! D · La función de probabilidad marginal de meby X se define come = A I ... ·Sel Plas :PX=)= , Exex I I X - La función deprobabilidad marginal de Y se definecomo : = = Py(y) = Pr(y= y) = 2 Px,y(,y), y Ery 3 I I el Si la observación es superior a lu / - La función de probabilidad condicional cuál es la probabilidad deque el de X dado = se define como: símbolo transmitido haya sido - Iv ? PX(y((y) =PV(x =/Y =y) = Px,y(X, Y) Pr(X = 1 /y > 1) = Pr(X = - 1921) PyLY) Pr(Y > 1) EX I ↓ & e -La función de probabilidad condicional - I 1 X de Y dado = se define como: = IIII PY((Y/X) = Pr (Y= y (X = x) = PX, Y (X ,3) PX(z) - I 1 X I y E-y I - La función de probabilidad condicional s y pl de la variable aleatoria X dado un O 0 . 1 +0 . 13+0 .03 = 0 . 3 evento arbitrario A relacionado con X 10 . 05 +0. 1 = 0. 15 yY está dado por: 2 0 . 1 + 0 . 03 +0 . 1 = 0 . 25 34 0. I PX1A(X) = PU(X = /A) = Pr(X= 1M) 0 .2 PrCA) I 1 xEx I PyLY) Ejemplo : En la figura semuestra la 0 .3 0. 23 pruf conjunta de las variables 0. 13 0. 2 a leatorias discretas X y . 0 . 1 Determinar : o iji Y Y a)PX(X) 0 . 2 - ⑳ ( PX(Y(X(1) = Pr(x= x Y = 1) b) pp(y) 0. Pr(Y = 1) - O O. 1 0.05 ⑧ O · O. - PX(y(X(1) - 8. 03 · O. = Pr(X = x (Y = 1) - e ↳ ↑ 0 . 15 d(PX(y(X12 0. 1 0. 15 0.05 X X PX/y(X(1) elPy(X (Y/0) 10 .0510 . 13 = 113 7PX(x+Y =3(X) 2 0 . 110 . 15 = 213 ↓ 9)PY(x+Y E3(Y) PX(y(X11) Solución : xx = 20 , 1 , 2 , 33 113 g j ↑ Ry = 20, 1 , 2 , 3, 43 ↓ 2 X a) X PX(X) d PX1y(x(2) = Pr(X = x 1 Y = 2) O 0 . 1 Pr(Y=2) I 0. 1 +0 . 03 +0 . 05 +0 . 2 = 0 . 4 2 0 . 15 +0 . 1 +0. 1 +0 . 1 = 0 . 45 = Pr(X = x 1 y =2) E 0 . 03 0 . 23 I PX(x) X PX1(X/2) 0 . 4 . 0 . 43 8 0 . 110 .25 = 215 & 10. 0310 . 25 = 115 O. 1 . 0 .03 20 . 110 .25 = 213 & !a X I PX19(X/2) PXIX+ Y =3(X) 2/3 215 1/2 1/5 1/4 1/4 ↑ X , ' 2 B XG 2 e) Py((y(0) = Pr(Y = y X=0) 9) Py(x+y = 3 (Y) Pr(X =0) = Pr(Y = y (X+ Y E3) = PLy X= Pr(X+Y=3) = Pr(y = y 1X = 3 -Y) Y Pues e Y Pr(X 13 - y) + 1- 0 . 4 = 0 . 6 PY(X(9/0) - ⑳ - O & I ⑧ · O- - &- 0 6 & ↑ X !¿ Y Y PYYE3Ly) f(PXIx+y = 3 (X) 0 . 3 10. 6 = 112 10 . 13/0 . 6 : 114 = Pr(X= x (X +y = 3) 20 . 13/0. 6 = 1/4 Pr(x+y = 3) ↓ = Pr(x= x 1 Y = 3 -X) Py(X+YE3(Y) PV (y = 3 - X) 1/2 Y 1/4 1/4 - ⑳ o ! Y 3 - O 26 -04-2023 & O · " Punto extra : -- e O & & h(PY(y > 2x+2 (y) = ? X = Pr(y = y ny > 2x +2) X PXIXY = 3 (X) Pr (y >2x+ 2) 1 0 .05/0 . 2 = 1/4 No es posible construir la porque su 2 0 . 110 . 2 = 1/2 condicionante trene probabilidadbe 30 . 05/0 . 2 : 1/4 0.- +2 es un evento imposible. I Py(y1x+3(y) = ? PUEXED) =S 05x,y (,e byko = Pr(y = y ny2x+3) Pr(y2x+3) =j5x,Y,y de k Y - - ⑳ 5x(x) - O & ② O Luego, la pdf marginal de X será : - & O- & b. . . & ↑ X fy()= , y by , XxER Y Py12x+3 Asimismo, la "densidad marginal de y 4 0. 210. 2 = 1 Ló pdf marginal de ) será : I Py12x+ 3 5()= , EER · I * Funciones deDensidad Condicionales 1. Y X y Y variables aleatorias continuas con densidad conjunta X, ,). Supóngase # Distribuciones de Probabilidad una probabilidad de la Forma: marginales yCondicionales para Vectores Aleatorios Continues Pr(9EYEb/X = c) = ? * Funciones de Densidad Marginales = Pr(a Y =b1X = C Pr(X = c) Sean X y y dos variables aleatorias Y continuas con of conjunta 5x, y < , 3). b - La pdf de la variable aleatoria X se f conoce como "densidad marginal de X" a - y se obtiene de la siguiente manera: C X = O - -> Y J EXED) =Ps, pero lese ? & Indeterminación pero también se tiene que : C X Y Para calcular (Yb/X = C) no es posible usar la definición de probabilidad a e 0 b x condicional , pues conduce a una forma indeterminada 0/0, entonces, en su lugar , se define un nuevo tipo de función de densidad llamada "pdf condicional de De ese modo : Y dado X" , con lo que se tiene: PULEYEIX =/c) by (yl(y() = Ex ,yess I I - fy(x(y(2) = Ex ,y(c, y) dondeF (/C) es la "densidad fx(C) condicional de Y dado que e", entoncesi En general, para cualquier valor del fylx(y() = ? evento condicionante,23, se tiene: 5Y(x (y(C) 25x,Y(2, y) fy(x(y() = fx ,y(x, ) 5x(x) -> Proporcional 5 x ,y(x,y) As : 5X , y (x,y) = fx(X ( 5 y/x (Y/X) ·((f . 5, se I ↓ I ME Regla de la cadena para variables S aleatorias continuas . Análogamente, la pdf condicional de X - : Recorte entre la X dado Y = C será : superfiere y un plano que nos -> fx ,y(x,y) resulta una curva SPA , constante a -sofy((y/C) by = ,((, > dy = X 5X1(X/c) = Excel - 5x , y (, es by = - En general, para cualquier condicionante fx(c) de la forma =y , se trene : - k = fy(e) , 5X/y(X(9) = Ex,y(x,y) I Sy(y) Asi : = =4[(2x) - 82] = 3x2 5x ,y(X,y) = fy(y)FXYCX(Y) -fx(x) = 3x2 , OEXEl d d Regla de la cadena para variables aleatorias 0 , 0 . 4 Continuas fx(x) Ejemplo : X : precio de compra de una 1 ------- acción (en millones de $ Y : precio de venta de la misma acción Len millones de$ - ↑ X 8 fx ,y(x,y) = 312 , (X ,E& 0 , 0 . 4 5xdx: 3xdx = x!:- I Y bl Cual es la densidad de probabilidad del 2 - precio de venta de la acción ? III" ! X fy(y) =?; y = 20,2] Determinar : 5(y) = 8 y,dx al La densidad de probabilidad del precio y = 2 x de compra de la acción 2- Y - /2 = X "Los límites van de 5x(1) =?, ex = 20, 1] - zquierda a derecha" "Tomamos los límites ! X 1 - c .. deintegraciondei Face= d ++ o I abajo hacía arriba" & X S ! X ↑ G 50 7 5x(x) =8 (x,es by - fy(es= X y = 2 y(1 - 7) -joody + 2 bygo = E, y(2 - y ↑ g - 5x(x) =32 5p(y) = (y(23,8Ee Jy(y) c) Si el precio de compra es de 500mil pesos, cuál es la probabilidad de que el & 4 - - - = precio de venta sea superior a 760mil? ↑ ↑ Pr(yc/X =El Y ↓ 2 J Por la forma del evento condicionante, "El Valormas verosimil es 1 hacemos uso de un recurso adicional : Ejemplo alternativos pr(34/x = E) = (YE) Y 2---- & 1 - IIIII ↑ pero Fl (12) = ? y - - - - -- fy((y(2) = 5x,y(E , y) X 2 X fx(E) ex = 20, 2] , sy = 70,2] = (x = 112 , e 3x2/x = 112 (X - 0)2 + (y - 2) 2 = 4 x2 + (y-2)2= 4 (y- 2)2 = 4 - x 2 = zy . By . E =2y - 2 = 14-2 y = 2 1 4 -x 5(2) E Exces = 4 ,3 dy , OEx :0 , 0 . 4 10 ↑ Ahora para Fy(y) : x = E X x2 = 4 - (y -2) fy(x(y/E) = 24 , E Y El x = 1 40 (y-2)2 I I 4 - (y- z)2 (ylE) 20 (y(y) = 23 5x,ylx , OyE2 = iO , 0 . W. + lóbulo superior Circunferencia3 Y - lebulo inferior cuando despejamos Pr(373(x= 1)= (1) de ??- Y = 112 ; pero y = 2 x ?? - 2X = 112 =s cydy + yde x = /p = y/z,p = 1() 2 . = 1 a) = E6/ 3 =E- - -- d) Si el precio de venta es de 500mil , , i X cuál es la probabilidad de que el precio de compra sea inferior a 600mil 5x/y(x/z) = 1 , EX=l Pr (X < 0 . 6/9 = 2) = 3 fxy(X(E) = 505xy(x/E) ¢x - -- donde: * e 5 x (y(x(z) = 5x ,y(k>E) % X fy(z) Pr (X0.6(y = E) = Ey/x , y= 11 I= & 2 y(2- y) (y= 112 - 5x /y(x/z) = ↑ !(2) en e 2 . = 0 . 4666/ I y =z - - . --- :? ' X 03-04-2023 ↑ fx(x) = I 2x e-y x = 2xex I OEx= 1 Ejemplo 109 & 1 e = Sean X y y dos variables aleatorias condensidad conjunta : 0 , 0 . 10 fx(x)5(s) = 2 , OXE , 9 he S O , 0 . 4 1 Determinar X J I a) 5x(x) I b) fy(y) x ()dx = faxe* k u = x2 a) 5 x14 . (X1E) loe - ↑ dw = 2xbx d(5y(x . (y(E) elfx/y(X(2) u0 = 0, u , = 1 Y & X ,Y ↑ -o Y = x2 =Se e , du = e = 00 = 1 1 -e , ↑ X ex = [0 , 1] b) frle)=, y = 20 , 0) . esex , 03EEa)(y(x) = 5 x < Y (x , y)dy ESe en el Ye · Ex() = 92xeydy , EXEl [ x2 ↑ 5(9) = es , O , 0 . U D él = [oene by, XE S↳e , 0 , 0 . 2 D 0 . 20 -5(y) = Je , El 4 Fx/y(X,z) E e -3 , y >1 V2 - - - - -- 10, o . w fy(y) i x Si S 5x(x(2)dx = 1 ↑ Y -j = 1 No ylesdy : yo bye en! by d fy(x(y(z) = = 'Il = fx ,y(z , X) C) fx(E) Y : 2e 1 = - - - - 1 -e (E , Y ↑ I = 1/2 mu 27 2 - x2 % ↑ e I=El 7 FX(y(x(2) = 5x , y (X, El = es/ = 112 Sy(z) = es - e - y + # = y (y - 1) = 2xetz · 1/4 E Ne LX , E 2 - Y I I Sexy ! He 112 1 - i1/4 - . - - = 2x = 2x = 4X x= E r X Y/112 E Para que = : y = E para que y = 112 : x = E y = 1/4 x = = = ! 5y(x(y/z) = es p , 32 Fil) = 4, Xe E S O , 0 . 2 oes de o en La gráfica de la función nos queda I e - (y - 1) , y 2114 EX ,Y Sy(X(ylE) X 1 - *Si x es discreta y y continua : I Y i)RX, y = RXX-Y INDEPENDENCIA ENTRE VARIABLES [SY(,Y) = PX(() , ( , 3) ALEATORIAS Y Dos variables aleatorias X yY son -> LX ,Y estadísticamente independientes si los valores que toma una de ellas no proporciona ninguna información X relevante acerca de la otra. En Otras palabras, el conocerX no nos dice Consecuencias de la independencia nada acerca de Y y viceversa. Matemáticamente, las variables X y - Si X y Y son variables aleatorias Y son independientes si se cumplen dos discretes independientes : condiciones : PY((y(9) = Py(y) * Si X y Y son discretas : PX(y(X(b) = PX(x) i)(x , y = ex x Y - Si x y Y son continuas e independientes (iPX , (x,2) = PX(X) - Py(9) , (x , y) Sylx(y(a) = y(y) Y 0 08 2 ↑ LX ,Y SX1y (x(b) = Fx(x) & 00 & e Op & Ejemplo : Se lanzan dos dados legales. Calcular: X a) La probabilidad de que la suma de *Si Xy son continuas : los resultados sea mayor a 5 i)(x ,y = R x X Y X : "resultado del primer dado" Y : "resultado del segundo dado" (1) 5x ,y(x,3) = fx(x) .fy(y) , (X , y) 2x = 51 , 2 , 3 , 4 , 3 , 63 Ry = 21 , 2 , 3 , 4 , 3 , 64 X y Y son variables aleatorias Independentes I 1/36 1/36 1/6 & er O ↓ ⑳ d & 1/36 1/36 1/6- o e Q - & 1/6 01136 1/6 - a &px(1) =25 , x E 212 ..... 03 & · 9 = 3 - x 1/6 - 1138 1136 ... E & & & 0 . 0 & 0 , 0 . 1 116 - 113 IBE ~1/36 1/36 1/6 e O & O O & O Pf(y) = 2 , y t21 , 2 . ..., 63 ↑ ↑ ↑ f 116 116 116 116 116 116 X 0 , 0 . 2 Pr(X+y >5) = Pr(y > 5 -X) PX(X) = 1 - Pv(y <5 -X É = 1-10 36 = 26 123436 X 36 = 13 Py(y) 18 Il É b) Si el primer dado qe en un número menor que 3 , cuál es la probabilidad 123436 de que la suma de los resultados sea mayor o igual a 6 ? Las variables aleatorias X y ↑ son independientes y tienen idéntica PUX26/3) : No hay independencia distribución de probabilidad, por tanto, se les denomina : variables aleatorias = Pr(X+ y 261X/3) = Pr(y26-x MX<3) iid Pr(X <3) Pr(X<3) I iid : independientes e idénticamente ·distribuidas 3 Pr(x +>3)= X , Y,y ... i X = 3 = E / I 36 x+y) 5 O ② oQ 0 pero como X y y son independientes : : 0 ↑ X & 0 1 1 0 0 0 PX,Y(X, y) = PX(X) · Py(Y) c) Si el máximo entre los dos resultados es menor o Igual a 4 , cuál es la proba Rx ,y = 2 x x (y de que la suma de los resultados sea menor o igual a 6? Pr(x +y = 6/Máx(X, Y) = 4) = ? max(X ,y) 4 + X = PMY =/ Y 08-05-2023 ex, Ejemplo: El tiempo Len mins] que tarda una persona eligiendo los artículos que va a comprar es una variable aleatorio X continua X con densidad () = ex, para 20. El tiempo enmins] que 5x ,y(x,y) = e * 2 , x10 tarda esa misma persona haciendo la y20 fila en la caja y pagando es una variable aleatoria continua y condensidad (,) =22 , X20 Fly) =2, para 0. Si las variables I y 8 I X y y son independientes, determinar : La pregunta hace referencia a: as La probabilidad de que la persona permanezca al menos 2 minutos en Pr(X +y 22) = Pr(y22-X) la tienda . b) La probabilidad de que el máximo Y entre X y Y sea inferior a 90s. 1 - Solución : 1 : ↓ I X ( 2 fx(x) fy(y) Y = 2-x 2 ↑ Y 2 - x Y 1 X y son variables aleatorias ↑ Independientes ↑ 2 X FX ,y(X,b) = fx(x) · Sy(y) ·etzece en ex ,y = RXXRY to [0 , +o) x 20 , +00) Tenemos entonces : =1)en = 10 ex (le-2(x =1 (le de = 1 Pr(X EnYzz) =1 ex -190zetes dee e Otra Forma : = 1 (1 - ex) +e (ez - 1) Pr(x<2 UY(2) = 0.2524/ = Pr(xx ) + pr(y(2) -Pr(xx .EYxz) b Pr(max(X , Y) < z) = Pr(X< 3/21Y < 3/2) Para este punto : Y Y 3/2 X I I j - 1 ~ V : Aplica↑ 3/2 X Y X I I X X : No aplica y X X Y v 3 dyx = 0 . 738, I I 8 8 4. Operaciones y medidas sobre Variables Aleatorias Otra Forma : 1. Transformación de Variables Aleatorias = Pr(xx (Y < 2) X * g( c ) s Y Eventos independientes ↓ ↓ V. C g(. ) : Función v . a = Pr(XXz) · Pr(YXz) determinista ↓ , = g(x) ,Ex( :8 lesby ↳ Nueva variable = Elex dx. 2by = 0 . 7381 aleatoria función de X X x g() b Y *) ¿Cual es la probabilidad de que el menor entre el tiempo de elección Illin 1/11 Casol de los artrculos y el tiempo en la caja, X - X Y sea infertor a 90s? PX(x) Py(y) YPr(min(X, z) = Pr(x UY < 2) - X~ M Y [s02 5x(x) X fy(y) y = x2+ 1 Y x L , Il X I I Y ↳fx(x) Py(Y) RY Transformación de Variable Discreta a Variable Discreta : . i X Sea X una vanable aleatoria discreta -- con recorrido x y m PX() . Sea -x Y =g(x) , donde g() es una función definida en todo ex. Entonces y será X I una variable aleatoria discreta con - 1 . 3 3. 23 recorrido Ry = 9 (RX) y puf py(y) - 0 . 3 1 . 23 dada por : I 3Z Py(y) = Pr(y = y) = - Px(x) , EyERy 3 I ⑧ I x : y =g(x) , Ejemplo: Sea Xuna variable aleatoria y = 21 . 25 , 2 , 3 . 25 , 3 , 103 discreta con prf : B e aae PX(x) 4/13 4/13 2/13 O O 211313 Py(Y) /4 E O ⑧ 1/13 B ↑ ↓ ↑ 2/3 B 111 - 1 . 3 - 0 . 3 I I X 1 . 23 2 3 .23 /Y Hallar la pmf de: c) = sen(IX) a) y = x 2+ W b) E= L c) = sen(X) 8 - - - - 1 .= . d) U = 1: No es posible ↑ X - 1 : X E ·as ex = 2 , -! e he ... - - 1 - X W X * %!e * Y - 1 . 3 I · 0 . 5 - I 10 &w = E- 1 , 0 , 13 20 -x(x) Py(y) # 3 O W Pw(w) M I - 1 Pr(x = - 0 . 3) = 4/13 e ex +x e 8 Pr(X = 1UX= 2 UX =3) =PXC) +X(2+PX(3) Transformación de Variable Continua = 4113+2/13+ 1/13 = 7/B a Variable Continua I Pr(X = 1 . 5) = D y ( 1 . 3) = 2/13 Sea X una variable aleatoria continuacon recorrido x y densidad dePw(w) probabilidad(). Sea Y =(X), donde · 7/1 9(. ) es una función que está definida en 4/13 todox y no es escalonada en x. & 2/13 Entonces Y es una variable aleatoria & ↑ I continua con recorrido (X) y 2 -> I O I densidad de probabilidad ( dada por : Segundo parcial Miércoles 31 de Mayo-2023 f(3)= Fly =EPrLY e 4 :00m-Salén 226 Capítulos 3 y 4 =E Pr(g(X Ele =bffl fe en ↓ 10-05-2023 Transformación de Variable Y Continua a Discreta X * - Y : : ↑ ex ler 41 X Sea X una variable aleatoria continua con recorrido x y densidad deprobabilidad F). Sea = g(X) 9fx(x) Syly) * donde g(. ) es una función escalonada pura sobre todo x . Entonces y es una variable aleatoria discreta con M M ↑ 1 xrecorrido :gLX) y función de E ex & * By a Y probabilidad (y) dada pori Ejemplo: Sea X una variable aleatoria Py(y) = Pr(Y = y) = S Ex()¢, yERy continua con densidadbe I x : g(x) =y probabilidad( = , 20 . Obtener la distribución de probabilidad de las siguentes función de probabilidad y lel dada variables aleatorias : por : a) y = - Si xx E Y PyLy) ( -> I Pr( = -1 = PLXX) ES O , si t X X 1 xx = 0 . 3934E L / si X = 31 O Pr(EE1) =Se = 0 . 238 2, en otro caso b)z = 2x - 1 I Pr(EX =3) =13 d = 0. 141 c)( = 3- x 2 EXU) :JPeken3 d) T = I = 0 . 2267 X + 1 e)R = (X + 1)2 /1 Solución Py(y) ⑧ a) ex = [0 , +0) O ⑧ O Y I j 1 ↑ - - I O I 2 3 Y > - bz = 2X - 1 - O g - ↑- - Z - ↑ ① A ↑ ↑ J J ↑ - : X -- ↑ X > - => & RX ↑ 1 1 fx(x) - 1 - ↑ - ex z = 20 , + 50) X 5z(z)= Fz(z) , dondee Y es una variable aleatoria discreta Fz() : Pr(z) , ZE1 , +o con recorrido y = 3, 0, 1 , 23 y = Pr(2x - 1 =z) = Pr(x = zH) z + 1 =I -> D S Fw(w) = Pr(WEw = 1-' : Acumulativa Fw(() = Pr (1 - E El = Pr( - w - ) Luego : 5 (2) = (1-) : Le = Pr(32 - w + 1) · 5z(z) =1 , zE[, = Pr(X 2 -3 +3) = Pr(x > 3 (10) fz(z) -- 1/2 = 50fx(xs = exbx 3 -34 3- 34 - I Z = g - 3(1 H) = g -332 Comprobación : Luego : Fy(o)= ((3) soSz(z) bz = 1 =3 de te · fp. (w) : 32 33 , wE (- 0 , 1] = oen e / fw(w) 2) = 3 - X + 1 x3 f L L d) T = 1 & x + 1 - T - &T = (0 , 1] · - f X &w = (- 0 , 17 & Julu= Fn(u) , dondee - ,I I X 13 -03-20235T (t) =EFT (t) , donde Transformación de Vector Discreto a Variable Discreta FT (t) = Pr(TEtS (t + 9( ., % - E-F+ (t) = Pr(xi = t) · Variables N = Pr(1 = +(x + 1) aleatorias Función definida discretas con en todo X,Y # PrF. Variable alea . = Pr((xt + t) PX ,Y(X, Y discreta con PX,y(z,Y) pmf PLz) = Pr(1 - t EXt) Pz(z) = Pr (10t Ex X I 11 Z = Pr(x = 1) Ejemplo: Dadas las variables aleatorias X y y con mf . N - Y .0 . ! - dx = e(E) = e (t- - ... = Se - · 0. 2 = é : Acumulativa - · 0 . 2 * · 0. 1 · 0. ↑ 6 ↑ XLuego : +(t) = (eét) ¿Cómo determinar P) a partir de = e(-eE)(E) PX,y(,y) y g(.. ) ? RI · 5t(t) =E , TELO, Pz(z) = Pv(z =z) = Pr(g(X, Y) = z) =g,E= z PX, (X ,Y Comprobación : Obtener la pmf de las siguentes of+(t)bt =See variables aleatorias : a) z = x+ Y v = -E : du = !d b) W= XY u = - 0 ; Ul , = CR=y ex X , Y =e du: e 9 ,S Z 5z(z) = & Fz(z)= PrzEL (1 , 1 0 . 1 2 = Pr(g(X,Y EL (3 , 1 O . 1 E (2, 2) 0 . 2 ↳ =S ddx (4 ,2) 0 . 2 (3 , 3) 0 . 1 6 g(X,Y) = z (2 ,4) 0 . 2 G (1 , 3) 0. 1 G Ejemplo: X = "Tiempo en minutos que tarda Ana eligiendo un artrelo en la trenda". Y = "Trempo en min que tarda Anaez = E4 07 realizando el pago". 0 . 7 Pz(z) fx(x) = 5 4 , X20 0 . 2 fy(y) = 20 - 24 , 28 O . 1 . . 1 donde X y y son independientes. Z Transformación de Vector Continuo a Determinar la pof de las siguientes Variable Continua variables aleatorias : E ↑ - .a o , o z = g(X, Y) a)= "Tiempo de permanencia de Ana 8 =00 - - - - . en la tienda" b) R = "Razón entre el tiempo de pago # & T y tiempo de elección del artreulo". variables Función no Variable aleatorias escalonada, aleatoria a) T = x+ Y continuas definida en continua con con jpdf : todo 1x, e pdF : f + (t) = ? 5x ,y(X,Y) fz(z) Ae M S+ (t) = FTL ↑ Z F T (t) = Pv(T E t) = PrCX+ Y = t) = Pr(Y = t - X) ¿ Cómo Obtener F) a partir de FX,Y(x, y) y g(0 , 0) ? - F+ (t) = fExy,es de e R/ Técnica de la función de distribución acumulativa donde FX,(,) =5() -F() debido a la independencia entre X y Y . = . 2 2 , 20 y 20 - FT (t) = E O , to - 5x ,y(2,y) = 2ex p -2 ex/ -- + ex) , +20 , X20 , &0 Y , +x0 24 -22 -FT (ts = 1Deten Lei , to -FT(t) = 0 , <O X E 102e t +e-2t , +20 -: (10e - tj2 y= t - x IIIIII X Luego :(t) = ((1) =2(bett - fT(t) = 2e + (1-e t) , +20 Caso 1 : + = 0 Caso 2: 20 4 I Y 0 , 0 . 4 E "N /I E X STLt) -> 2e +(1-e t)y IIIII %... ..... - T le t *M.... p 2 t Flts = Los e sio ......... - ........ -v t F+ (t)dt = 1 · [- - 8 2e + (1 - e+((t = 1 e-2y/ok , to -S2ebt ze -+bt = 1 · Ex, ↳ ! = I 1 = 1 , b)R= I , Fr(v) :? t <J X b FR( = FRC) = ((ex -ex ¢x , 10 FR( = PrLBER) : Pr/Er) FR(= FR( : E O , KO 2 CH2rs2 - 10 = Pr (y = rX) FR(r) -FR(u) = S/fx, /,y dydx -Y= rx - Caso 1 : r f J Caso 2 : 10 j Ejemplo : X : "precio de compra de una = I acción (en millones)" & - Y = "precio de venta de la acción Len -E millones)"& & & ~ Y 2 - X Frh) = (0 , v 1 -II seSe e dex, I X · (ro, Determinar la pdf de la variable aleatoria m = max(X , Y) : [0 enr(dx , FM(m) = ? & 5M(m) =E FM En e FM(m) = Pr(MEm) = S, = Pr (máx(X,) Em) =P (XYM) b ex- e -2x -xdx , 20 = SJ x, Y (, 3) dyb Xm = 20 , no Y Em - e - x * + e - X * ,v O j 1 + 2p D , O· 2 , z - no Il,lim Casol : /O Caso 2 : 0 MI = Im , mEl 2 Y / / II. & m(2-m) 1 < m = 2, . " SM I /IIIII, m X J , 0 . 4 'IIII fM(m) Cas 3: 2 Caso 4 : m > 2 y /se e mx !/ = I 2 M Comprobación : FM(m) = O , Si M I↳ exdy , si 0Em frmsam Imj yxdy,si midme(m - em) am: 1 , si m 17 -03-2023 II) Promedios y medidas estadísticas Sobre variables aleatorias , si mo ·Valor Esperado Enlms- ForoperadodeunavariceeealeatoriaX es un número real, mismas unidades de X y representa I , Si M>2 el "Centro de gravedad" de la distribución de X. El valor esperado de X se simboliza con EX) y también FM(M) = J , mx0 se conoce como "media de X", En "promedio de X" "esperanza de X".4 ,m- En e 3 , =MEl E : Operador de valor esperado , 1 m = 2 Lesperanza I - m > 2 5M(m)= FM (m) Sma , =O · aplica exclusivamente sobre 0=m[l variables aleatorias &m - m 21 1 <m = 2 D , m > 2 Interpretación 1 de ECX) : i Discreta: in Illin e1 # E(X) ECX) I I & ~& I 8 D ↑ I s I E(X) - Continua e D E(X) ⑪ E(X) Ejemplo : Calcular la media de la variable aleatoriaX en los Interpretación 2 de EX) Siguientes casos x+ Ex , 2 , 3, ... n3 a) PX(x) ↳Realizaciones de X . 0. 2 · 0 . 4 . 0 .3 O, 1 N & * = x 1 +22 + o . +Xn = L i ↓ S -> I O I 2 N Ni = 1 E(X) = Lim * b) 5x(x) Xi I n = 1 ↑ EX) Centro de gravedad de la ↑ 7 distribución de X . O 2 · media armética de infinita EX =) realizaciones de X . - E(X) = 1 . 0 . 1 + 0 . 0 . 2 + 1 . 0 . 4 + 2. 0 . 3 El valor esperado de una variable = 0 . 9 aleatoriaX se define matemáticamente COMO : b) ELX) =Soes E(X) = 2 x . px(x) - Si X es una variable I · aleatoria discreta fx(x) = (0,El EX) =9es Si x es una [ O , 0. 0 I , variable aleatoria Elxs : Ex (1E)dx =Excontinua . Gráficamente tenemos : : ( / = 2 - = 2 Propiedades de Operador El E(XY) = ECX) . ECY) Si es una cantidad determinista , Demostración : E(k) = k / E(Xy) =80xyfx, p(,es dyd o 2)Si es determinista y x es una variable aleatoria, 0xyfx(x)fyledye E(kX) = kE(X) , ·soxxx(yylesdy) y 3) Si y y son variables aleatorias , ↓ E(Y) E(X +y) = E(X) + E(Y), x5x(x) Ely)dx 45 : X es una variable aleatoria y 9) (. ) es una función definida en tode =E()(xa ex : ta E(g(x)) : Esixesdice en = E(X) ELY) E(X) continua Valor Esperado Condicional : II Sea A un evento relacionado con la 5) Si X y Y son variables aleatorias variable aleatoria X. El valor esperado y glo , o está definida en todo RX , y : condicional de X dado A se define como: EL = ,, si EXA , si x es discretaX y Y son ID discretas L, si x es continua ·S, d , Además : -0 -D Si X y y son continuas #(x) = PrCA)ELX(A) + Pr(ACECX(AC · , el Ex , ke ya ↳ Regla del valor esperando total si X es discreta y y es En general, si l, 2, An son eventos continua . II que constituyen una partición de R : 6) Si X y y son variable aleatorias ELX) = CASEX (AC) independientes : 2)Sean X y y dos variables aleatorias . PX(x) El valor esperado de X dado Y a se 0. 4 define como : 0 .2 0 . 3 0 . 1 E(X( =a)= X1X(a), si x es discreta. I O 12 3 XE & ↑ j f , si x es continua E(X) = 0 . 0 .2 + 1 - 0. 4 + 2 . 0 . 3+ 3 - 0. 1 ! I = 1 .3 Además : Forma 2: E(X) : y(SEX =a) , si y es discretad E(X) = 7 Ex . Px , y (X,S(E=a)da, si y es continuaa = 0 . 0. 17 0 . 0 . 1 t 1 . 0 . 1 + . 0 . 2 H . 0. 1 +2 - 0 . 1 + 2 . 0 . 2 +3 . 0 . 1 = 1 .3 Nota : Un valor esperado condicional de la b) 0. 3 PY(y) 0. 4 Forma E(X19) es una variable aleatoria 0 .2 que es función de y, por tanto, tiene la 0 . 1 misma distribución de y ↑ ↑ ↑ v Y - I G I 23 Ejemplo : Sean X y Y dos variables aleatorias con la mf mostrada en la figura.Cakular: El = 1.0. 1 + 0 . 0 . 3 + 1 . 0 . 2 + 2 . 0.4 = 0 .9 0 .10. 0 .. 2 C) E(3X-1) = E(3X) + E(- 1) -& = 3E(X) o >I j · X - = 3 (1 . 3) -0. 1 0.918. = 2 . 9, a) E(X) 9)E(sen(Ex)) ds E(y2) = 2 ypyLy b) E(Y) n) E(X(y = 2) E(y2) = (- 1) . 0 . 1 + (0) % . 0 . 3 + (12 . 0 . 2 C)E(3x- 1) E(X/9 = 1 + (2)2 . 0 . 4 d) ECY2) ((ELY(X = 1) = 1 . 9/l e) E(XY) f(E(X2 -2y) es E(X) = XYPX, y ,y) : Esto , porque a no son ex = 20 , 1 , 2 , 33 Coord. enX independientes y = 2- 1 , 0 , 1 , 23 ↓ Coord. en y E(X4) = 0 . 0 . 0 . 1 + 0 . 2 . 0 · 1 + 1 . C1. O . 1 as Forma li + 1 . 1 . 0 . 2 + 1 . 2 . 0. 1 +2 . 0 . 0 . 1 + 2 - 2 .0 . 2 + 3. 0 . 0 . 1 = 1 . 1 / f) Se hace por propredades e de la 9) Elsen()) : Es sumar el valor de Sen() a cada valor del recorrido de X, es decir: ser((0 + sen(). 0 , 1 , 0 - I ten(E)2 +se(E) :3 d = = (X & :: o. l y en ese resultado, -multiplicar su probab . = 12x2 = 3x2/ 4 h)E(X19 =2) = 2 PX1y(X12) ↑ & y = 2 + XE 20 , 1 , 23 * ↓x3x¢x = 3x4%3 milloneseC x PX1y(X(2) PX1y(x/2) 0. 3 -> 730 . 000 0 0. 1/0 . 4 = 0. 23 0.23 0.25 1 0 . 110 . 4 = 0 .23 Forma 2 : 2 0. 210 . 4 = 0 . 3 I J I 2 * E(X= x, y(x,es dyk E(X (y = 2) = 0 . 0 .25 + 1 . 0 .23 +2 -0. 3 = 1 .25/ ·j exdy = j(x341 Ejemplo: X = "precio de compra de acción" (M$) Y : "Precio de Venta de acción" = 33 ¢x = 3 : 3 milloneen (M$) -> 750 . 000$ 5x ,Y(x, y) = Y , OEXEl E 0 Y = 2X b) Forma l : El ld 8 , 0 . 1 C Sabiendo que:Fals s de I o / y = 2x + x = = 1 - lill , Entonces : Fil =Sydx : exion - Calcular: = 2 y - zy(7) = zy-As El precio medio de compra ↓ El precio esperado de venta e) Si la acción se vende en 1 millón, -By (2ycual es el precio promedio de compra? d) Si la acción se compra en 300mil, cual es el precio medro de venta? ·y (2-dy = y Pregunta adicional : es ¿Cuál es la ganancia esperada en la transacción? = 3 -3 0 - 3 ↑ Recordando que la ganancia se da por : Precio de Venta - Precio de compra = 1 millón de $ -ELY-X) = ? Forma 2:El d Forma ( : E(Y-X) = EL) ~ ELX) jay edyb y by x = 1 - = 1/4 millón de $ =j ¢x =* = = 1 millónde $ = 230 .000$ C)E(X (y = 1) = ? Forma 2: Ex: - ,y de , donde - = gexyk ↳ - 5x , 3(x1) =30= XE = xdx = x) : f millón del e Sy (1) 24 -05-2023 Luego, entonces : Varianza y Desviación Estándar Elx19 = 1 =S x2 ¢x =!exdx = y e · Sea X una variable aleatoria (discreta continual - Varianza : Var(X) = 3 millones de $ -> Característica o medida de la dispersión relativa de la distribución de probabilidad de X al rededor de su (JEL3(x = 2): (1) by media . ↑ Var(X) :pequeña donde : Syl (9(2) = 5x , y( , y) = 2e A "Alta concentración"5x (2) 3(z)2 ↑ "Baja dispersión" = 2y , 0 Y El ELX) Luego, entonces : Var() : alta EL /X= )= y de : e & "Baja concentración ECX) "Alta dispersión = 213 millones de $ · Var 20, siempre Solución : · Var(X) · [Ux2] a) Var(X) = E(X2) - [E(X)]2 · Var(X) · Cantidad determinista E(X= x(x) = -1 (0 . 2) + 0(0 . 4 + 10 . 3) ¿ Cómo se define la varianza ? + 2 (0. 1) = 0 . 3 R/Var(X) = E((X - ECX)]] - E(X3) = Expf(x) = (- 1) (0 .2) + (0)(0. 4) UX2 + (1) (0 . 3) + (2) (0. 1) = 0 . 9 Definición alternativa de Var(X) : - Var(X) = 0 . 9 -0 . 32 Var(X) = E([X - E(X)]2) Var(X) = 0 . 8) 12/ : E(X2 - 2XE(X) + [E(X(]2) = E(X3) + E) -2XELX)) + EC[E(X)]) b) Var(X) = E(x2) - [E(x)]2 = E(Xz) - 2E(X)E(X) + [E(X)]2 = E(X2) - 2 [EX)]2 +EX] E(X=8 dx =Sx(1) ¢ -> Var(X) = E(Xz) - [E(X)]2 [ux2] · xdx =xx-Exke Desviación estándar de X: Ox = Var(X) [ux] = Ejemplo: Calcular la varianza de X = E3 j en los siguientes casos : E(x3 : x5x (s =Yx(1 )dxa Cuando X es discreta con pmf : & PX(X) 0 . 4 0 .3 =xxxx 0 . 2 -> I 012 O . 1 A =- = 0. ↓l Cuando X es continua con paf : ·Var = Zun- (Zu) 5x() =11,OE =z3 - E 2 7 = 6 - Var(X) = 2/4c2/l E,n : Momento de orden Demostración : de la variable aleatoria a) : E((() - [ELKX)]2 X. = E(k2x2) - 2kE(X)]2 = k2 E(X2) - K2[E(X)]2 Var(X) =Segundo-Primeento) = K2(E(X2) - [E(X)]2] =2 Var(X) Propiedades de la Varianza 4) Si X y Y son variables aleatorias Independientes : Con :determinista y X,y variables aleatorias : Var(ty) = Var (Xt Var(Y) 1 Var(k) = 0 / Demostración : V a Var(X+ Y) = E((x+y(2) - [E(x+y)]2 ~>Nohaydispersiónestamente : El 2xy +y2) - SELXS+ ELY] concentradas = E(Xz) +2E(X y) +E(y2) - [E(X)] -... K X ... - 2E(X)E(y) + CE(y)]2 Demostración : Var() = E(2) - [E(K)] = E(X3) - CELXS]2+ ELY) - [E(Y)] 2 = k2 - k2 +2[E) - ECXXELY)] = 0 - = Var(X) + Var(Y) 2) Var(X +k) = Var(X) Covarianza 5x(M - Medida de la relación lineal que -5x+k(x) existe entre 2 variables aleatorias .M - Puede ser positiva, negativa o cero . 7 · Depende de la escala - Si la covarranza entre 2 variables Demostración : aleatorias es cero, las variables Var(X+ > = E((x+ k)2) - (E(x+ k))2 aleatorias se dicen "no correlacionadas = E(x2+2kx+ 2 (ELX) + E(k)) 2 ↓ = E(X3) +EL2kX)+E(k2) - [E(x)+k]2 No existe ningún &= E(x) +2kE(X) +X - IECX(]2 - 2HE(X)- 2 tipo de relación = E(X2) - [ECX(]2 = Var(x) lineal entre ellas -Se define como : 3) Var(X) = =War(X) Cov(X , Y) = E([X- E(X)][y - ELY(]) [ux-ve] -5x(x) M Skx(X) Aplicando propiedades del valor esperado ↑- COULX ,Y) = E(XY - XELY) - E(X)Y + E(X) E(Y) X = EXY)-EL(ELX)-EXELY+ELY ↑C,EEE Coeficiente de Correlación - Versión normalizada de la covarianza Propiedades de la Covarianza - No depende de la escala de las variables aleatorias . Con Ki, 2 : deterministas y X, Y - Tiene un rango bien establecido. variables aleatorias Se define como : CX, X =Var 2Cor(X + k1 , Y + k2) = COV(X,Y) P(X,):) : Adimension 3) Cov (k,X , 2 = Kiz COV(X , Y) donde : x : Var) : Desviación estándar 4) Var(X +Y) = Var(X) +Var(y) + 2COVCX , Y de X [wx] ↓ 5) Si X y Y son independientes : Unidades Cov(X , y) = C de X = Var) : Desviación estándar Si V(X,= 0 + X y y son no de y [vy] Correlacionadas d Unidades Nota: Dos variables aleatorias de independientes son no Correlacionadas , sin embargo, Propiedades del coeficiente de dos variables aleatorias no Correlación correlacionadas no son necesariamente independientes. , 1 MaxCorr. t , 0 No Correl . Independencia implica, No (X,)= 1 Máx correlación . Correl . - Y Y I 29(X, +) = Signi = 1 , si i t F E.......... - ! · 1 , 5 : 10 C, O COVCX, Y 20 ES9(X+1 , Y+k2) = 8(X, Y) · 48(k , X , 2) = Sign(kik2) P(X,Y 3) Si x y y son independientes : ↑ (X ,y)=0 Cov(X , y) =0 Ejemplo : En cada uno de los siguientes casos , calcular: al Cov(X, JPX , y <(Var(3X-4) d) Var(X) 1) X y y variables aleatorias discretas Cor(X , y = 0-0 . 0 con jpmf : = 0 + X yY no Y Correlacionadas I b) (X , Y) = Cor(X, y) = O13108 X Ox Oy c) Var (3x - 4]) 2)X y y variables aleatorias continuas = Var Var(4 +2 COV(3X , 49) con jpd5 : = 32 Var(x) + ( 4)2 Var(y) + 2 (3)(-4)COV(X ,Y) Y = 9 Var(X) + 16 Var(Y) - 24(0) = 9EE(X-CEIGEELY -SELYS])do·o = 9 xpx(x) + 16 ypy(yX Solución: = 9((1) G + (0) + (1 ) I I 3 x + 16((-112 +(0 +(1 31 2x = 5- 1 , 0 , 131 o = () + 16 ) = 5 & Y = 2 - 1 , 0 , 13 d) Var(X) e = E((X2(2) - CE(X2]]2 = E(x4) - (E(Xz))2 PX(x) 3/8 = 2 xpx(xs - (2 xpx(x3] O G18 ·Prl 118 118 = ((1) + (0) E P 9 X Y - I 8 I - I O 1 - ((1 -11 + (0)8 + (1) )) a) Cov(X , y) = E(Xy) - ELXSELY) EXY)=E Y = 8 - = Y = (1)(0) (OCOD --- - -- - · IniIII+ LICOS E X = O a) COV(X , Y) = E(XY) - ELX)ELY) E(X) = 0 , ELY) = 0 ELX) =000<5x, y, 3) dyk o =j dydx - (3) j d= (* * 96 = j3x3dx = * : :E = S'3x4 ¢x - 7 = 3x3)) o Els =00 100 5x ,Y, es de o =3 . = = Vare s .j y dydx : ydee - x = : 15 0 . 1936 II 20 = j(213) = ) 4x3¢ Oy = Varly) + Oy = Var(y) Var(y) = E(y2) - [ELY)]2 = x4 = E(y)= yy by E(xy) =j Yxyydydx = j3 y dydx= =j y: / = 6x = x/ : =j x = x : -Var(y) = 8 - (1 . = 8 - 1 = ! -COV(x , 1)= () () + y = 1 = 3 =0 . 4472 Il = . = 16 B : to,, Nos queda entonces : b) ((X , y) = Cov(X , Y Ox0y p(x , 3) =c : 0 0x = Var(x) + 0x = Var(X) Var(x) = E(x2) - [E(X)]2 c) Var (3X -4y) = Var(3x) + Var(-4y) + 2Cov(3X, -4Y) Var=y y-[E) = 9Var(X) + 16 Var(y) - 24Cov(X , Y = 9 (3180) + 16 (156024 (1120) - Var (3x -4) = 107 = 2 . 337 II PX(x) X : variable aleatoria d) Var(X3) = E(x4) - [E(X2)]3 Il 1 I discreta 7 =(dydx -() y ↳ MO(X) = j( * *34. dx - [] (x 3437dx) 5x(x) X : Variable aleatoria = ! 3xx - [) 3xd] - continua x = 3 x4 (x/ moo(x) Nota : Una variable aleatoria X =- 1 =3 = E puede tener una sola moda distribución unimoda o más de una moda (distribución multimoda . Var(x =1 20 . 068 -unimo delIl M Otras medidas sobre variables aleatorias ↑ ↓ X Además de la media , la varianza, Bimodal la desviación estándar , la covananza y el coeficiente de correlación, existe una gran cantidad de medidas sobre M un variables aleatorias que proveen ↓ ↑ información acerca de la forma de Trimodal ↓ X su distribución. Las más relevantes Tetramodal son las siguientes : Mediana : La mediana de una variable Moda : La moda de una variable aleatoria continua X es aquel elemento aleatoria X es el elemento más del recorrido debajo del cual se probablelo más verosímil) de su encuentra el 30% de la probabilidad recorrido. Se simboliza con MX y encima del cual se encuentra el y se define como : 50% restante. Así, la mediana de X, simbolizada con 30, se define como : M = (), Si X es una E X ~.a. disereta Pr(X= 30) =Pr(X X30) = E armáxx() , si X es una ~.. Continua S :S = E los anianaX ! El Valor de 30 también se puede 25 30 73 calcular a partir de la función de distribución acumulativa de x como: * $ Rangos interesartil FX(30) = 1 + 30 = Fx (1(2 I ↑ Nota : La mediana y el percentil 50 son lo mismo. Nota : Si X es una variable aleatoria discreta, el cálculo de la mediana es 23 : Valor debajo del cual está el ambigüo, por lo que no la 25% de los casos . consideraremos en este curso. so : Valor debajo del cual está el 50% de los casos. Percentil : El percentil d de una 73 : Valor debajo del cual está el variable aleatoria continua X, con 75% de los casos. O2100, es aquel elemento del recorrido debajo del cual se encuentra Ejemplo I : Sea X una variable aleatoria el 2% de la probabilidad y encima discreta con puf : del cual está el 4100-% restante . El percentil & de X , denotado con PX(X) = G 30 , se define como : x ! (3 -x)( ! (x (3)3 x para XE50, 1 , 2 , 33 . Obtener sumoda: Pr(XX2) = 1Pr(X> <2) = L 100 Solución : (sx : 19 d d La función de probabilidad de X también 100 se puede expresar como: fx(x) X PX(x) 27 PX(X) O 27/64 El - I 27/64 64 O · 27 9/64 nido 2 9/64 1/64 3 1164 Son de especial interés los siguientes I 0 1 2 3 X percentiles : :. Los elementos más probables del ·2 = 23 Primer evartil recorrido son 0 y l , por tanto, es · = 30 Segundo cuartil (Mediana una distribución bimodal con: · 2 = 75 · Tercer Cuartil Mo(X) = 0 y Mo(X)= Ejemplo 2 : Sea X una variable - - j x <23 = !aleatoria continua con f FXX) = Ex , J para X20 . + 1 - p - x23 = IDeterminar: a) La moda de X . - 10 =9 b) La mediana de X . El percentil 23de -3 = e 3 El percentil 90 de X . Solución : - x23 = In(2)) a) Lad de X tiene la siguiente 23 = (n(() = 23 = 0 . 2876 / Forma : d) Para el percentil 90 : fx(x) Aquí es claro que Pr(XE90) = 0 . 9 X(X) se maximiza- en = 0, por tanto Ja0fx(x) bx = 0 .9 * G X MO(X) = O 90 -xbx = 0 .4 b) La mediana de X se puede calcular -> S como: PV(X 30) = E + 10 - 90 = 0 . 9 + 100 . 9 = e -x40 T so5x(xs = 1 = 5 oexx =1 * 2 - 0 . 1 = e90 = 0x +30 = t 1 3 - In (j) = - xac 2 - 11 =g 30 - 1 : es 90 = In (10) - X90= 2 .3025/ - - x30 = In () - X30 = (n(2) 30 = 0 . 693)/ 2) Para el percentil 23 : Pr(X = 25) = 0 . 25 a5x(xdx = 0 . 23 - Y e-x¢x = !
Compartir